Sunat fortalece el control tributario con inteligencia artificial y modelos predictivos

La Superintendencia Nacional de Aduanas y de Administración Tributaria (Sunat) viene reforzando su estrategia para combatir el incumplimiento tributario mediante el uso de ciencia de datos, inteligencia artificial y herramientas de Big Data. Es así, que la entidad desarrolló e implementó diversos modelos predictivos que permiten identificar riesgos con mayor precisión, optimizar los procesos de fiscalización y cobranza, así como fortalecer las acciones preventivas para mejorar la recaudación.

La administración tributaria señala que este enfoque representa un cambio en la manera de supervisar el cumplimiento de las obligaciones fiscales, al pasar de controles reactivos a esquemas preventivos sustentados en el análisis masivo de información y algoritmos de aprendizaje automático (Machine Learning).

Modelos predictivos para mejorar la recuperación de deudas

Uno de los principales avances corresponde al Modelo Predictivo de Recuperación de la Deuda, desarrollado con técnicas de Machine Learning para estimar la probabilidad de que un contribuyente cumpla con el pago de sus obligaciones tributarias.

El modelo clasifica a los contribuyentes según su nivel de riesgo y permitió, durante una prueba piloto realizada en 2025, optimizar la selección de contribuyentes que recibieron acciones preventivas mediante mensajes de texto, WhatsApp y correos electrónicos.

Como resultado, la Sunat logró una tasa efectiva de recuperación superior al 42% en el 2025 entre los contribuyentes intervenidos, generando un rendimiento mayor a S/ 50 millones.

Además, la información generada por este modelo fue incorporada al aplicativo interno ATENEA, donde los funcionarios pueden acceder de manera inmediata a la calificación de riesgo y al perfil patrimonial de cada contribuyente, reduciendo los tiempos de respuesta en los procesos de cobranza y facilitando la aplicación de medidas cautelares cuando corresponde.

Alertas para evitar la pérdida de fraccionamientos

Otro desarrollo importante es el Modelo Predictivo de Pérdida de Fraccionamientos regulados por el artículo 36 del Código Tributario, diseñado para anticipar qué contribuyentes presentan una alta probabilidad de incumplir los pagos correspondientes a sus fraccionamientos tributarios.

El sistema combina dos algoritmos de aprendizaje supervisado que evalúan el comportamiento de los contribuyentes en distintos momentos del tiempo.

Durante 2025, el modelo identificó aproximadamente a 19 mil contribuyentes con resoluciones de fraccionamiento aprobadas entre julio y diciembre que presentaban un elevado riesgo de perder este beneficio por incumplimiento de sus obligaciones.

Esta información también fue incorporada a la plataforma ATENEA para facilitar que las áreas operativas adopten acciones preventivas y fortalezcan la recuperación de la deuda antes de que se materialice el incumplimiento.

Mayor control sobre contribuyentes sin capacidad operativa

La Sunat también continuó perfeccionando el Modelo de Perfil de Riesgo de Sujetos Sin Capacidad Operativa (SSCO), orientado a detectar empresas o contribuyentes que podrían estar siendo utilizados para sustentar operaciones inexistentes o emitir comprobantes sin desarrollar una actividad económica real.

El modelo utiliza tres algoritmos de Machine Learning que analizan las diferentes etapas del ciclo de vida de los contribuyentes.

Como resultado de su aplicación, durante 2025 se atribuyó la condición de sujeto sin capacidad operativa a 75 contribuyentes.

Adicionalmente, mediante acciones de control sobre actividades económicas, la administración tributaria dio de baja a 1.874 contribuyentes que no lograron demostrar contar con la capacidad mínima necesaria para desarrollar operaciones económicas.

Fiscalización más rápida con inteligencia artificial

La transformación digital también alcanzó los procesos de fiscalización mediante el desarrollo del Módulo CEO, una herramienta basada en algoritmos de ciencia de datos diseñada para asistir a los auditores tributarios durante la etapa de planificación de las fiscalizaciones.

El sistema reúne información tributaria y de fuentes externas para elaborar perfiles completos de los contribuyentes, incorporando antecedentes de fiscalización, comportamiento tributario, relaciones empresariales, perfiles de riesgo y patrones atípicos en la emisión de comprobantes electrónicos.

Durante 2025 el módulo fue implementado como piloto en las dependencias de San Martín y Piura, donde permitió reducir significativamente el tiempo que los fiscalizadores destinaban a recopilar información y analizar casos similares antes de iniciar una intervención.

Analítica avanzada para detectar incumplimientos

La Sunat también destaca el fortalecimiento del uso de analítica avanzada para identificar brechas de incumplimiento tributario y aduanero.

La entidad explica que estos modelos procesan grandes volúmenes de información financiera, tributaria y de comprobantes de pago electrónicos para formular hipótesis de incumplimiento y aplicar tratamientos preventivos antes de que se consoliden riesgos de evasión.

Durante 2025 se intensificó el empleo de modelos predictivos basados en Machine Learning para detectar comportamientos irregulares y promover que los propios contribuyentes corrijan inconsistencias o presenten oportunamente las declaraciones omitidas.

Entre los principales programas implementados destacan aquellos orientados a identificar gastos no deducibles relacionados con adquisiciones ajenas al giro del negocio; detectar patrones atípicos en la emisión de comprobantes de pago electrónicos; identificar operaciones con proveedores sin capacidad operativa o con posibles comprobantes de favor; establecer perfiles para designar agentes de percepción; verificar el acogimiento indebido a regímenes tributarios especiales; y controlar operaciones pagadas con tarjetas en las que no se emitieron los respectivos comprobantes electrónicos.

Tecnología para fortalecer la recaudación

Las iniciativas desarrolladas durante 2025 reflejan la creciente incorporación de inteligencia artificial y ciencia de datos en la gestión tributaria peruana. La Sunat busca utilizar estas herramientas no solo para detectar riesgos de evasión con mayor anticipación, sino también para optimizar la asignación de recursos, reducir tiempos de fiscalización y fortalecer la recuperación de la deuda tributaria.

La entidad considera que la combinación de Big Data, modelos predictivos y analítica avanzada permitirá construir una administración tributaria más eficiente, preventiva y focalizada, elevando la capacidad de control sobre los contribuyentes y contribuyendo a mejorar el cumplimiento voluntario de las obligaciones fiscales.